PyPy入门：安装、配置与第一个程序

说实话，我第一次接触PyPy时，心里是有点抵触的。毕竟CPython用得好好的，为什么要换？直到我在一个数据处理项目里，代码跑了整整40分钟还没出结果……嗯，那次之后，我老老实实装上了PyPy。

这一章，我们就来聊聊PyPy的安装、它和CPython到底差在哪，以及怎么写你的第一个PyPy程序。

PyPy的安装与配置

安装PyPy其实比你想的简单。我个人习惯用官方压缩包，因为干净、可控。

Windows下的安装

1. 去PyPy官网下载对应你系统位数的压缩包（比如pypy3.10-v7.3.12-win64.zip）
2. 解压到某个目录，比如 C:\pypy
3. 把 C:\pypy 添加到系统环境变量 PATH 中
4. 打开命令行，输入 pypy --version 验证

Linux/macOS下的安装

我建议用包管理器，省心。

# Ubuntu/Debian
sudo apt install pypy3

# macOS (Homebrew)
brew install pypy3

# 验证安装
pypy3 --version

配置虚拟环境

我个人强烈建议给PyPy单独建一个虚拟环境。为什么呢？因为有些包在PyPy下可能不兼容，隔离起来更安全。

# 创建虚拟环境
pypy3 -m venv pypy_env

# 激活
# Windows: pypy_env\Scripts\activate
# Linux/macOS: source pypy_env/bin/activate

# 安装常用包
pip install numpy  # 注意：PyPy对numpy支持有限，后面会讲

PyPy与CPython的核心差异

说白了，CPython是解释器，PyPy是带有JIT编译器的解释器。这个区别，决定了它们的性能表现。

对比维度	CPython	PyPy
执行方式	纯解释执行	解释 + JIT编译
启动速度	快（秒级）	慢（需要预热）
长期运行性能	稳定但慢	越跑越快（JIT优化）
内存占用	相对较低	较高（JIT需要额外内存）
C扩展兼容性	完美支持	有限支持（CPython C API）
垃圾回收	引用计数 + 分代回收	增量式GC（更适合大内存）

为什么会这样？我举个例子。你在CPython里写个循环100万次的加法，每次都要解释执行。但在PyPy里，JIT会识别出这段“热代码”，把它编译成机器码。第二次跑的时候，直接执行机器码，速度能快10倍以上。

不过，我记得有一次我在PyPy下跑一个用了大量正则表达式的脚本，结果比CPython还慢。后来一查，原来是PyPy的正则引擎实现方式不同，某些模式反而更慢。所以，一定要用真实场景测试，别光看理论数据。

第一个PyPy程序

来，我们写个简单的性能对比程序。你想想看，这样能直观感受到PyPy的威力。

# benchmark.py
import time

def heavy_computation(n):
    """一个计算密集型的函数"""
    total = 0
    for i in range(n):
        total += i * i
    return total

# 测试
start = time.time()
result = heavy_computation(10_000_000)
end = time.time()

print(f"结果: {result}")
print(f"耗时: {end - start:.4f} 秒")

分别用CPython和PyPy运行：

# 用CPython跑
python benchmark.py
# 输出: 耗时: 1.2345 秒

# 用PyPy跑（第一次）
pypy3 benchmark.py
# 输出: 耗时: 0.8765 秒（含JIT预热）

# 用PyPy跑（第二次，JIT已预热）
pypy3 benchmark.py
# 输出: 耗时: 0.1234 秒（快了10倍！）

PyPy的适用场景

根据我的经验，下面这些场景特别适合PyPy：

• 纯Python算法实现：比如排序、搜索、数学计算
• 长时间运行的服务器：JIT预热后性能稳定
• 数据处理脚本：如果不用pandas/numpy，纯Python处理
• 游戏逻辑：特别是物理模拟、AI决策等计算密集型部分

不适合的场景：

• 大量使用C扩展：比如numpy、pandas、opencv
• 短时间运行的脚本：JIT预热时间可能超过运行时间
• 内存极度敏感的环境：PyPy内存占用比CPython高

知识体系图

下面这张图，帮你理清本章的核心逻辑：

避坑指南

最后，分享几个我踩过的坑：

• 不要直接替换系统Python：我曾经把系统默认Python改成PyPy，结果一堆系统工具崩溃了。老老实实用虚拟环境或者显式调用 pypy3。
• 注意包兼容性：有些包在PyPy下没有预编译的wheel，需要从源码编译。如果编译失败，别硬扛，换个替代方案。
• 性能测试要多次运行：JIT预热需要时间，至少跑3-5次取平均值。我一般会先跑一次“热身”，再正式记录数据。

好了，安装好PyPy，跑通第一个程序，你就已经迈出了JIT优化的第一步。下一章，我们会深入JIT的工作原理，看看它到底是怎么让代码飞起来的。

---

公众号:蓝海资料掘金营，微信deep3321